世界最大的多语言语音数据集现已开源：超 40 万小时，共 23 种语言

图片地址：https://img.ithome.com/newsuploadfiles/2021/8/09cb1acd-1ebc-4e25-bf28-ca94f110fc0d.png

最近，Facebook 开源了目前世界上最大的多语言语音数据集，VoxPopuli：这一数据集共涵盖了 23 种语言，时长超过 40 万小时。其中，每种语言都有 9000 到 18000 小时的无标签语音数据。此外，还包括了共 1800 小时，16 种语言的转录语音数据，以及 17300 小时，15 种目标语言的口译语音数据。国外网友很快为这一行为点赞：显然，如果数据集已经存在，那么它应该被利用，并以一种道德的方式来改善人类社会。这一数据集庞大的无标签数据量和广泛的语言覆盖率，对改进自监督模型有着很大的帮助。而 Facebook 也希望能够帮助提高语音数据集的质量和鲁棒性，使训练语音转换神经网络更加可靠。最终加速新的 NLP 系统的开发，使 AI 翻译的效果越来越好。而数据集的名字，VoxPopuli 的直译“人民的心声”也表示了其原始数据的来源 ——即源语音全都收集自 2009-2020 年欧洲议会的活动录音。来自 10 年欧